Machine learningMachine learning

XGBoost Ενισχυμένη Ανθεκτικότητα

Το Robust XGBoost συνδυάζει το επεκτάσιμο πλαίσιο ενίσχυσης κλίσης (gradient boosting) του XGBoost με ανθεκτικές συναρτήσεις απώλειας — κυρίως την απώλεια Huber ή παραλλαγές της — για να παράγει ένα σύνολο δέντρων ενίσχυσης κλίσης που αντιστέκεται στην παραμορφωτική επίδραση των ακραίων τιμών. Αντικαθιστώντας τον στόχο του τετραγώνου του σφάλματος με μια απώλεια που μειώνει την επίδραση μεγάλων καταλοίπων, το μοντέλο παρέχει αξιόπιστες προβλέψεις σε συνεχή στόχους ακόμη και όταν τα δεδομένα εκπαίδευσης περιέχουν ακραίες τιμές ή θόρυβο στην ετικέτα.

Άνοιγμα στο MethodMindΣύντομαΒίντεοΣύντομαDownload slides

Διαβάστε ολόκληρη τη μέθοδο

Μόνο για μέλη

Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.

Σύνδεση

Method map

The neighbourhood of related methods — select a node to explore.

Πηγές

  1. Chen, T. & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794. DOI: 10.1145/2939672.2939785
  2. Huber, P. J. (1964). Robust Estimation of a Location Parameter. The Annals of Mathematical Statistics, 35(1), 73–101. DOI: 10.1214/aoms/1177703732

Πώς να παραπέμψετε σε αυτή τη σελίδα

ScholarGate. (2026, June 3). Robust XGBoost (Extreme Gradient Boosting with Robust Loss Functions). ScholarGate. https://scholargate.app/el/machine-learning/robust-xgboost

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side
ScholarGateRobust XGBoost (Robust XGBoost (Extreme Gradient Boosting with Robust Loss Functions)). Ανακτήθηκε στις 2026-06-15 από https://scholargate.app/el/machine-learning/robust-xgboost · Σύνολο δεδομένων: https://doi.org/10.5281/zenodo.20539026